阿里雲 ECS 如何用 OCRmyPDF 和 Tesseract 為掃描版 PDF 加入文字層並測試並行處理

2026-10-31 7

版权

版权声明：

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本文介绍如何用阿里云ECS部署OCRmyPDF+Tesseract，为扫描版PDF（如《爱因斯坦文集》）自动添加可选中文文字层，解决Zotero中无法选中文字的痛点。通过并发优化，20页处理耗时降低63%，实现高效、可复现的阅读笔记 workflow。（239字）

想解决的，是做笔记时的一点不方便

我平时在 Zotero 里读资料，看到值得记下来的内容就做个标注，再到 Obsidian 里整理。但是碰到扫描版 PDF 就有点不方便：页面上的字能看得见，却选不中，只能用 Zotero 框选批注的功能曲线救国。

这次拿来处理的是扫描版《爱因斯坦文集》。给测试样本做完 OCR 后，我就可以在 Zotero 中直接选中文字、做高亮了。我的目标很具体：让扫描资料也能方便地做阅读笔记。

把 OCR 放到云服务器上跑

实例规格为 ecs.u2a-c1m2.xlarge，配备 4 vCPU、约 8 GB 内存，系统为 Ubuntu 24.04.5 LTS。软件版本分别为 OCRmyPDF 15.2.0+dfsg1、Tesseract 5.3.4、Ghostscript 10.02.1，识别语言使用简体中文和英文。

OCRmyPDF / Tesseract 用于“增加文字层”，就是把识别出来的文字放到原页面对应的位置。打开 PDF 时，看到的仍然是扫描图像，但现在可以选中文字，也可以搜索了。

部署和处理过程

服务器上安装 OCRmyPDF、中英文识别模型和 PDF 检查工具后，将样本与 Python 批处理程序上传到 /opt/cloud-pdf-ocr。程序编写、远程部署和实验执行由 AI 助手协助完成。

安装依赖使用的是：

sudo apt-get update
sudo apt-get install -y python3 ocrmypdf tesseract-ocr-chi-sim tesseract-ocr-eng poppler-utils

程序保留原文件，把生成的 PDF 放到新的结果目录，并记录每份文件的耗时、状态和错误日志。后面要复查某次结果时，可以找到对应的输入和参数，不用只凭终端里一闪而过的输出判断。

以单份 PDF 内部四页并发为例，在项目目录执行：

python3 batch_ocr.py input-single runs/test-single-4 --workers 1 --jobs-per-file 4

其中，--workers 1 表示同时只处理一份 PDF，--jobs-per-file 4 设置这份文件内部的页作业并发上限。每次运行需要换一个新的结果目录，避免覆盖已有记录。

并发处理能快多少？

原文件共 883 页，这次先从中抽取 20 页，分成四份 5 页 PDF，再将同样内容合成一份文件作补充测试。所有测试都在同一台阿里云 ECS 上进行，每种设置运行三次，取整批耗时的中位数。

测试保持语言、输出格式等参数一致，关闭图像优化，并固定 OMP_THREAD_LIMIT=1。计时不包含安装、上传下载、样本准备和输入哈希计算；计时前会读取文件计算哈希，因此结果不代表冷启动表现。

四文件并发将整批耗时从 42.51 秒缩短到 15.65 秒，加速比约为 2.72，耗时减少约 63.2%；单文件内部四页并发也从 41.47 秒降到 15.85 秒，加速比约为 2.62。

两种四路并发的结果很接近，暂时不能判断谁稳定更快。之后处理整本书，我倾向于直接使用单文件内部页并发，省去拆分文件的步骤。这里的提速来自同一台服务器上的并发设置调整，不能据此判断云端比本地快多少，或某一代 CPU 比上一代快多少。

实际使用效果

处理后，可以直接选中文字并进行标注，下面是实际操作截图：

反思

两组共十五次正式测试都处理成功，每次输出的 20 页都有非空文字层。对首次输出和最终单文件四页并发输出进行逐页检查时，两批结果各自全部 20 页在最长边 800 像素的渲染条件下，都与原扫描页像素一致。

两组共十五次正式测试都处理成功，每次输出的 20 页都有非空文字层。对首次输出和最终单文件四页并发输出进行逐页检查时，两批结果各自全部 20 页在最长边 800 像素的渲染条件下，都与原扫描页像素一致。

文字识别仍有错误，比如“振动”被认成了“振功”，导出的文字里也有多余空格。但是对我来说，这些问题目前影响不大：我一般会读懂内容，再在 Obsidian 中用自己的话整理笔记，不会直接整段复制原文。